tm.package:findAssocs vs Cosine

时间:2014-01-25 23:34:53

标签: r math text-mining tm cosine-similarity

我是新来的,我的问题是数学而不是编程本质,我希望得到关于我的方法是否有意义的第二意见。

我试图使用findAssocs包中的函数tm在我的语料库中找到单词之间的关联。尽管它似乎在通过该软件包提供的数据上表现得相当不错,例如纽约时报和美国国会,但我对它在我自己的,不那么整洁的数据集上的表现感到失望。看起来很容易被稀有文件扭曲,这些文件包含几个相同单词的重复,这似乎在它们之间产生了强烈的联系。我发现余弦测量可以更好地描述这些术语的相关性,即使基于文献,它也只是用来衡量文档的相似性而不是术语。让我们使用来自RTextTools包的USCongress数据来证明我的意思:

首先,我会把一切都搞定......

data(USCongress)

text = as.character(USCongress$text)

corp = Corpus(VectorSource(text)) 

parameters = list(minDocFreq        = 1, 
                  wordLengths       = c(2,Inf), 
                  tolower           = TRUE, 
                  stripWhitespace   = TRUE, 
                  removeNumbers     = TRUE, 
                  removePunctuation = TRUE, 
                  stemming          = TRUE, 
                  stopwords         = TRUE, 
                  tokenize          = NULL, 
                  weighting         = function(x) weightSMART(x,spec="ltn"))

tdm = TermDocumentMatrix(corp,control=parameters)

假设我们有兴趣调查“政府”与“外国”之间的关系:

# Government: appears in 37 docs and between then it appears 43 times
length(which(text %like% " government"))
sum(str_count(text,"government"))

# Foreign: appears in 49 document and between then it appears 56 times
length(which(text %like% "foreign"))
sum(str_count(text,"foreign"))

length(which(text[which(text %like% "government")] %like% "foreign"))
# together they appear 3 times

# looking for "foreign" and "government"
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)

             findAssocs(tdm, "foreign", 0.1)
countri                                 0.34
lookthru                                0.30
tuberculosi                             0.26
carryforward                            0.24
cor                                     0.24
malaria                                 0.23
hivaid                                  0.20
assist                                  0.19
coo                                     0.19
corrupt                                 0.19

# they do not appear to be associated

现在让我们添加另一个包含“外国政府”重复50次的文件:

text[4450] = gsub("(.*)",paste(rep("\\1",50),collapse=" "),"foreign government")
corp = Corpus(VectorSource(text)) 
tdm = TermDocumentMatrix(corp,control=parameters)

#running the association again:
head(as.data.frame(findAssocs(tdm,"foreign",0.1)),n=10)

             findAssocs(tdm, "foreign", 0.1)
govern                                  0.30
countri                                 0.29
lookthru                                0.26
tuberculosi                             0.22
cor                                     0.21
carryforward                            0.20
malaria                                 0.19
hivaid                                  0.17
assist                                  0.16
coo                                     0.16

正如您所看到的,现在它是一个不同的故事,而这一切都归结为单个文档。

在这里,我想做一些非常规的事情:使用余弦来找到位于文档空间中的术语之间的相似性。这种方法往往用于找出文档之间的相似性而不是术语,但我认为没有理由不能用它来找到单词之间的相似性。在传统意义上,文档是向量,而术语是轴,我们可以根据这些文档之间的角度检测它们的相似性。但术语文档矩阵是文档术语矩阵的转置,同样,我们可以在文档空间中设置术语,即让您的文档成为轴,将术语称为可以测量角度的矢量。它似乎没有与简单相关性相同的缺点:

cosine(as.vector(tdm["government",]),as.vector(tdm["foreign",]))
     [,1]
[1,]    0

除此之外,这两项指标似乎非常相似:

tdm.reduced = removeSparseTerms(tdm,0.98)

Proximity = function(tdm){ 
  d = dim(tdm)[1] 
  r = matrix(0,d,d,dimnames=list(rownames(tdm),rownames(tdm))) 
  for(i in 1:d){ 
    s = seq(1:d)[-c(1:(i-1))] 
    for(j in 1:length(s)){ 
      r[i,s[j]] = cosine(as.vector(tdm[i,]),as.vector(tdm[s[j],])) 
      r[s[j],i] = r[i,s[j]] 
    } 
  } 
  diag(r) = 0 
  return(r) 
}

rmat = Proximity(tdm.reduced)

# findAssocs method
head(as.data.frame(sort(findAssocs(tdm.reduced,"fund",0),decreasing=T)),n=10)

        sort(findAssocs(tdm.reduced, "fund", 0), decreasing = T)
use                                                         0.11
feder                                                       0.10
insur                                                       0.09
author                                                      0.07
project                                                     0.05
provid                                                      0.05
fiscal                                                      0.04
govern                                                      0.04
secur                                                       0.04
depart                                                      0.03

# cosine method
head(as.data.frame(round(sort(rmat[,"fund"],decreasing=T),2)),n=10)

       round(sort(rmat[, "fund"], decreasing = T), 2)
use                                              0.15
feder                                            0.14
bill                                             0.14
provid                                           0.13
author                                           0.12
insur                                            0.11
state                                            0.10
secur                                            0.09
purpos                                           0.09
amend                                            0.09

令人惊讶的是,我没有看到余弦被用来检测术语之间的相似性,这让我想知道我是否错过了一些重要的东西。也许这种方法在我没有的方面存在缺陷。所以对我所做的任何想法都会非常感激。

如果你已经做到那么远,感谢阅读!!

干杯

1 个答案:

答案 0 :(得分:2)

如果我理解你的查询(我认为应该在堆栈交换上)。我认为问题是findAssocs中的术语距离是使用欧几里德测量。因此,文字只是双倍的单词变成异常值,并且在距离测量中被认为有很大不同 切换到余弦作为文档的度量被广泛使用,所以我怀疑术语也可以。我喜欢用余弦搜集文档的skmeans包。球形K-Means将直接接受TDM并与单位长度保持余弦距离。

这个video在大约11米处显示,以防您不知道。 希望这有点帮助......最后我相信余弦是可以接受的。